2022121_艾瑞咨询_2021年中国人工智能产业研究报告（Ⅳ）（99页）.pdf

2021 年中国人工智能产业 研究报告（）2022.1 iResearch Inc.数字经济时代的产业升级探索2序言 2020 年，我们谈到，被纳入新基建范畴的人工智能技术已经广泛出现在决定企业产生经济效益的各个环节，以人机协同模式为主导，推动传统行业启动效率变革、动能转换之路。人工智能作为创业企业标签的属性在变弱，而越来越成为千行百业的经营主体都在积极尝试和运用的生产要素。2021 年，作为智能化转型的核心生产力，人工智能 技术所带来的创新增量价值引人瞩目，产业应用规模不断突破，数字经济加速器的产业地位逐步稳固。行业领先企业也多在算力、算法、数据三大基础层要素上做整体布局，加速推进人工智能产业进入效率化、工业化生产阶段。2021 年，艾瑞连续第四年发布 中国人工智能产业研究报告，这也是国家大力提倡发展数字经济、细分赛道领先者提速上市，争相步入资本市场发展新阶段、人工智能产业持续增长的一年，人工智能产业经济规模近 2000 亿元。本年度艾瑞除了持续更新计算机视觉、对话式 AI、机器学习、自然语言处理与知识图谱等各项技术的细分市场规模、探讨新兴应用场景或趋势外，在今年的研究报告中，我们希望探讨四大问题：数字经济时代的人工智能产业升级、人工智能产业的持续增长力、行业典型参与者的商业模式与战略发展路线、智能化改革践行者的人工智能思维等。希望通过本报告，为读者呈现 2021 年人工智能产业发展的要素与亮点，提供辨析和判断人工智能行业趋势的方法启发。艾瑞咨询研究院32022.01 iResearch I摘要 来源：艾瑞咨询研究院自主研究绘制。受监管合规与商业内驱的合力推进，可信 AI 已然成为人工智能产业的发展趋势与研究重点。此外，尽管 大模型的研发取得了较大进展，各家厂商纷纷入局加码，但大模型实际落地应用面临诸多卡点，未来或呈现大小模型云-边-端协同发展模式。同时，继 AI 民主化之后，AI 工 程化走入大众视野，旨在提升从算力、数据、模型到上层应用的普惠性、兼容性、敏捷性、经济性和高效性，打通 AI 全链路管理能力，助力 AI 企业实现落地赋能与商业变现的双赢。艾 瑞 认为，未来 AI 技术的多项突破与基础层建设的进步可进一步促使人工智能产业的规模化落地与健康发展。近年来，人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗透且成熟度不断提升。随着新技术模型出现、各行业应用场景价值打磨与海量数据积累下的产品效果提升，人工智能应用已从消费、互联网等泛 C端领域，向制造、能源、电力等传统行业辐射。数字经济的高速发展为人工智能发展创造了良好的经济与技术环境；同时，人工智能作为关键性的新型信息基础设施，也被视为拉动我国数字经济发展的新动能。需求侧来看，各行各业以高频高价值场景为落点做持续 AI 泛化，愈多业务场景的泛化升级将带来企业 AI 应用的数据连通与业务协同等加成效应，反哺加速企业的智能化转型进程；供给侧来看，AI 企业在过去一年中纷纷加快上市动作，多家 企业已在 2021 年成功实现上市。本报告详细剖析了人工智能企业商业化的价值路径，从轻量标准化产品、定制化解决方案、AI 平 台等策略角度探讨人工智能企业未来发展方向，为行业参与者提供价值参考与有益见解。2021 年，人工智能核心产业规模预计达到 1998 亿元规模，而到 2026 年，相应规模将超过6000 亿元，2021-2026 年 CAGR=24.8%，计算机视觉仍是 AI 技术赛道中贡献最大的 市场，而以决策智能为主要类型的机器学习产品市场也将随着数据这一模型生产要素的重要性的提升而得到巩固，并获得一定程度的增长。除 AI 技术赛道外，作为底层算力支撑的 AI 芯片的训练与推理需求推动给人工智能产业规模增长带来较为强劲的推力。行业背景行业规模商业化探讨趋势展望4数字经济时代人工智能产业社会经济价值 1人工智能产业的持续增长力 2人工智能产业的供需天平 3人工智能行业标杆企业与新锐势力 4人工智能产业趋势展望 552022.01 iResearch I人工智能产业化发展进程 技术能力创新、应用规模突破、产业地位跨越 随着 2016 年 AlphaGo 战胜人类棋手，开启了新一波人工智能浪潮，人工智能技术及产业进入加速发展期；2021 年 DeepMind 团队开源 AlphaFold 2数据集，其利用人工智能技术解决蛋白质结构预测问题，供全世界科研人员使用。AI 技 术应用于生物领域取得的前瞻性进展有力推动了生命科学发展，也代表随着 AI 算力提升及算法的不断突破创新，AI 技术在各行业领域的增量式技术改进、系统性前瞻性研发等重要产业改造环节提供价值。人工智能产业化进程发展至今，已逐步从 AI 技术与各行业典型应用场景融合赋能阶段向效率化、工业化生产的成熟阶段演进。作为智能化转型工具，AI 技术所带来的创新增量价值引人瞩目，产业应用规模不断突破，数字经济加速器的产业地位逐步稳固。来源：艾瑞咨询研究院自主研究绘制。中国人工智能产业化发展进程 产业角色相对稳定 技术价值稳步提升 人工智能产业成为国际竞争焦点，承担国家经济发展引擎功能 依托算法开发平台、AIDC 算 力资源、数据基础服务等基础层资源，多环节提效 AI 技术价值的释放，解决需求方人工智能生产力稀缺问题 AI 产业社会化分工的出现，逐 步进入各产业深度参与、双向共建的效率化、工业化生产阶段 各行业需求侧推动供给端 人工智能技术研发进步，如自然语言生成技术、多 模态识别等 人工智能技术应用于各行 业的集成化创新，如 AR/VR/MR、物联网、5G通信、半导体产业等 决策类人工智能技术应用 突起，企业尝试依赖 AI 解 决主流业务问题 人工智能技术真正能解决 需求侧某些应用场景痛点，且符合经济效益 人工智能技术在部分应用 场景实现标准化应用 计算机从数据中学习算法 深度学习在语音图像领域 大获成功 落地实验阶段 应用普及阶段 AI 赋能百业阶段 效率化、工业化生产阶段 雏形期 发展 轨迹 时间 起步期 赛道孵化中 部分赛道成形 产品形态与商业模式探索 龙头企业跑出 赛道竞争加剧 商业模式多元 现处于向成熟期跨越阶段 人工智能成为数字经济 发展的基础设施62022.01 iResearch I数字经济的华章 企业云端迁移进程加速，数字经济高速发展 数字经济是以数据为关键生产要素、以现代信息网络为重要载体、以数字技术应用为主要特征的经济形态。发展数字经济，微观上可能重塑传统的企业经营模式和经营理念；宏观上，数据作为生产要素的重要性不断提升，将对现有基于要素比较优势而形成的国际分工格局带来影响。发展数字经济，将打通供应链上下游、产业链的不同环节与服务链的各个节点，通 过产业的数字化升级，实现效率变革、动力变革、质量变革，助力新发展格局的形成与发展。近年来，我国数字经济发展迅速，2020 年我国数字经济规模为 39.2万亿元，占 GDP 比重达到 38.6%，较 2019 年提升 2.4pct，对整体经济产值的影响进一步加大。在我国“十四五规划”中，国家也首次明确提出要将数字经济核心产业增加值占 GDP 比重由 2020 年的 7.8%提高到 10%。未来，随着网络传输速度，海量数据积累，云计算、人工智能、物联网等代表性技术的成熟，数字经济将在 各行业开启更大的想象空间。来源：中国信通院 中国数字经济发展与就业白皮书（2020年），艾瑞咨询研究院自主研究及绘制。18.6 22.6 27.2 31.3 35.8 39.2 201520162017201820192020中国数字经济规模（万亿元）中国数字经济规模占 GDP 比重（%）2015-2020年中国数字经济规模 及占 GDP 比重 27.5%30.3%32.9%34.8%36.2%38.6%72022.01 iResearch I数字经济下的人工智能产业升级 AI 成为数字经济时代的核心生产力，驱动数字经济纵深发展 2021 年 3月我国十四五规划纲要出台，提出“打造数字经济新优势”的建设方针并强调了人工智能等新兴数字产业在提高国家竞争力上的重要价值。规划纲要指出要充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，以数据驱动生产过程优化，催生新产业、新业态、新模式。数字经济的高速发展为人工智能发展创造了良好的经济与技术环境；同时，人工智能作为关键性的新型信息基础设施，也被视为拉动我国数字经济发展的新动能。随着新基础设施计划的实施、消费互联网的升级和产业互联网的发展，人工智能科技产业开始步入全面融合发展的新阶段，成为数字经济时代的核心生产力和产业底层支撑能力，是激活数字经济相关产业由数字化向智能化升级的核心技术。来源：艾瑞咨询研究院根据国家统计局、工信部及自主研究积累绘制。人工智能成为数 字经济时代核心生产力 实时数据+模型应用 企业将扩大人工智能资源引进规模，加大自主研发投入，将人工智能与 主营业务结合，提高产业地位和核心竞争力 工业 建筑与地产 批发零售 金融 农林牧渔 交通 物流 教育 2021 年中国 GDP+Top 贡献行业 110 万 亿元 2-数字经济产业深度共建 通过 AI 能力输送，AI 新基建成为“电/路/通信”级基础设施，广泛回馈数字经济相关产业。假定产生 1.6%的损耗降低及产能扩大价值，则增益 近 1.76 万亿元 2021 年中国各行业数字化、信息化与专业技术服务投入+Top 投入行业 1-固有业务主线延续 人工智能现有产值占比约 4.1%约 2000 亿元 工业 医疗卫生 教育 公共管理 金融 其他 4.9 万 亿元 人工智能技术助力数字经济相关产业 质量变革、动力变革与效率变革82022.01 iResearch I人工智能助力产业经济价值实现 人工智能于各环节提升经济生产活动效能 近年来，人工智能技术及产品在企业设计、生产、管理、营销、销售多个环节中均有渗透且成熟度不断提升。同时，随着新技术模型出现、各行业应用场景价值打磨与海量数据积累下的产品效果提升，人工智能应用已从消费、互联网等泛 C端 领域，向制造、能源、电力等传统行业辐射。以计算机视觉技术主导的人脸识别、光学字符识别（OCR）、商品识别、医学影像识别和以对话式 AI 技术主导的对话机器人、智能外呼等产品的商业价值已得到市场充分认可；除感知智能技术外，机器学习、知识图谱、自然语言处理等技术主导的决策智能类产品也在客户触达、管理调度、决策支持等企业业务核心环节体现价值。来源：艾瑞咨询研究院自主研究绘制。人工智能技术广泛渗透进经济生产活动主要环节 政府 金融 互联网 交通 零售 教育 制造 能源 电力 电信 产品设计、定价及组 合优化 采购 评估 工艺 优化 货仓 物流 产能补充 与作业效 率提升 情报大数 据研判、决策支持 客户触达 营销运营 管理调度 运筹优化 质控、风 控和安全 窗口 服务 远程办事 远程作业 人机对话 交互 设备运维 故损分析 该行业较少涉及该场景 尝试应用 AIAI 价值得到验证，进入规模化落地 AI 示范项目增加，形成典型应用场景 图例 医疗与制药92022.01 iResearch I人工智能助力产业经济价值实现 来源：艾瑞咨询研究院自主研究绘制。人工智能助力产业经济价值实现分行业成熟度 市场规模 场景效果 技术水平 数据质量 人才储备与产业基础 A.2020 年市场规模 B.2021 年市场规模 C.2026 年市场容量 D.2021 年融资热度 A.场景定义清晰度 B.场景效果价值 C.客户期望价值 A.算法成熟度 B.算法可增量空间 C.IT 信息化程度 A.行业数据规模 B.数据治理水平 C.反馈数据可用性 成熟度总览 A.技术人才储备 B.产业数字化基础 颜色由浅至深表示水平由低至高 图例 政府 金融 互联网 零售 教育 制造 能源 电力 电信 医疗与制药 泛安防 颜色由浅至深表示水平由低至高102022.01 iResearch I 2022.01 iResearch I人工智能助力产业经济价值实现 人工智能产业发展将打开新一轮城市与区域竞争变局 在产业数字化和数字产业化浪潮下，城市经济转型和升级过程中创造出的智能化需求，是促进创新资源聚集和产业发展的关键因素。以智能化需求为导向，构建和培育富有活力的创新生态，是区域人工智能科技产业发展的前提和基础。人工智能产业发展也打开了新一轮的城市与区域竞争变局。根据中国新一代人工智能发展战略研究院 2018-2021 年针对区域人工智能科技产业竞争力评价指数的追踪研究表明，2021 年长三角总评分首次超过京津冀位列第一。人工智能和实体经济融合发展进程的加速和北方人工智能科技产业创新资源的“南移”是改变区域竞争力发展格局的重要因素。因此，各区域应加速补全人工智能及面向各行业的产业链、积极建设示范性智慧应用场景、前瞻布局人工智能相关标准及管理体系、推 动公共研发等资源共享、强化科研与人才培育建设、鼓励系统性超前研发布局等以把握人工智能产业发展的重大历史机遇。注释：构建的人工智能科技产业区域竞争力评价指标体系包括 6项一级指标和 10项二级指标。在二级指标之下，再从数量和质量两个维度设立相应的 24项三级指标。采用层次分析法计算各级指标的权重。来源：中国新一代人工智能发展战略研究院 中国新一代人工智能科技产业区域竞争力评价指数（2021年），艾瑞咨询研究院自主研究及绘制。来源：中国新一代人工智能发展战略研究院 中国新一代人工智能科技产业区域竞争力 评价指数（2021年），艾瑞咨询研究院自主研究及绘制。中国四大经济圈人工智能企业数量与 人工智能科技产业区域竞争力评分 京津冀 100.52 分 企业数量 656（29.75%）NO.1 长三角 101.90 分 企业数量 672（30.48%）珠三角 65.50 分 企业数量 596（27.03%)川渝 24.71 分 企业数量 76(3.45%)中国四大经济圈人工智能企业层次数量分布 5405615366897 9350719 18101京津冀 长三角 珠三角 川渝 应用层（个）技术层（个）基础层（个）具体到中国四大经济 圈，人工智能企业分 布仍主要集中在应用 层企业 京津冀及长三角地区 基础层及技术层企业 占比高于珠三角及川 渝地区。体现了前两 者在人工智能产业布 局完善、发展动力及 潜力强劲的区域优势11数字经济时代人工智能产业社会经济价值 1人工智能产业的持续增长力 2人工智能产业的供需天平 3人工智能行业标杆企业与新锐势力 4人工智能产业趋势展望 512 2022.1 iResearch I1157 1585 1998 2476 3106 3859 4869 6050 3821 5687 7695 9396 11605 14044 17362 21077 2019 2020 2021e 2022e 2023e 2024e 2025e 2026e核心产品市场规模（亿元）带动相关产业规模（亿元）人工智能产业规模 视觉市场筑起主要版图，头部规模聚集效应显现 人工智能产业正从发展期向成熟期过渡，除 AI 芯片外的细分技术赛道产业已跨过高速增长期，步入了稳步增长阶段。2021 年人工智能核心产业规模预计达到 1998 亿元规模，相应规模将于 2026 年超过 6000 亿元，2021 年到 2026 年的 CAGR为 24.8%，计算机视觉仍是 AI 技术赛道中贡献最大的市场。然而，随着下游各方数字化发展的意识不断加强，其对数据这一 AI 模型生产要素的要求也在不断变高，采购含有机器学习技术的数据类产品的需求暴露与凸显，在一定程度上带动了机器学习市场。除 AI 技术赛道外，AI 芯片作为底层算力资源的关键硬件，其 2021-2026 年的 CAGR 在维持 40%以上，是拉动整体产业规模增速的重要拉力。从参与者类型看，我们判断大约 30%-45%的市场仍为人工智能创业企业所占据，且随着头部人工智能企业冲刺科创板或港股市场的进步，其市场份额会进一步扩大，市场份额的高地也会进一步为头部人工智能企业所占领。从外围赛道入场的互联网公司、云服务公司、大数据公司、信息技术服务公司、通信设备公司以及个别科研院所则切分其余市场。注释：核心规模包括计算机视觉、智能语音、对话式 AI、机器学习（含自动驾驶）、知识图谱、自然语言处理、AI 芯片等核心产业；带动规模为为达到 AI 应用目的而连带采购的、具 有相关性的软硬件产品、服务。来源：艾瑞咨询研究院根据专家访谈与桌研自主建模研究绘制。CAGR=24.8%CAGR=22.3%2019-2026年中国人工智能产业规模132022.01 iResearch I人工智能产业图谱 注释：以企业主营业务为主。图谱中所展示的公司 logo 顺序及大小并无实际意义，不涉及排名。来源：艾瑞咨询研究院根据公开资料研究绘制。先知 2021年中国 人工智能 产业图谱 AI 模型生产 人工智能基础层 人工智能技术层 AI 框架 AI 开放平台 商用版 AI 应 用模型效率 化生产平台 AI 算力基础 AI 芯片(Fabless)智能服务器与 高性能计算中心 智能云 AI 数据资源管理 技 术 及 应 用 标 准 与 规 范 科 研 学 术 机 构 与 各 层 次 人 才 通 信 与 信 息 网 络 数 据 存 储 设 施 物联网 与微型传 感器 关键领域技术 关键通用技术 机器学习 知识图谱 计算机视觉 语音识别 自然语言处理 人工智能应用层 城市公共事业、企业级客户、消费者 AI 基础数据服务 大数据 治理与数据智能 Brain+方舟 SenseParrots智能搜索 AI+泛安防 AI+医疗 AI+金融 AI+泛互联网 AI+工业 自主无人系统 计 算 机 视 觉 大 数 据 智 能 化 决 策 辅 助 大 数 据 及 制 药 辅 助 计算机视觉 流程智能 计 算 机 视 觉 知识 与决策 维 护 预 测 与 对话式 AIAI+零售 AI+政务 视觉与图像 规划与推荐 智 能 汽 车 智 能 机 器 人 无 人 机 业务决策智能 客户服务 辅 助 诊 断 医 学 影 像14机器学习 本章赛道内容分为以下四个部分：赛道背景解读：在数字经济大背景下，机器学习作为数字产业化的商业应用与产业数字化的技术工具，迎来了难得的发展机遇；从资本情况看，融资事件与金额增多，且轮次靠前。产业规模解读：核心产品市场规模与带动相关产业规模处于增量爬升阶段，存量市场尚未形成，大数据类产品与机器学习平台的软件部分为主要核心产品类型，下游市场以金融、工业、医疗、自动驾驶及互联网为主。商业模式趋势解读：中短期内，业内玩家以决策智能为发力点，构建机器学习平台，提供定制化解决方案，服务于甲方企业生产经营的决策管理。未来，机器学习平台与数据治理类产品的边界将被打破与连接，二者将以一体化的趋势向前发展；MLOps 作为机器学习的DevOps，将服务于机器学习生命周期全流程，提升模型敏捷开发效率与管理运行效率。大模型落地方法论探讨：大模型作为新兴的通用化产品形式而广受追捧，但其应用落地存在诸多卡点，因而大小模型云-边-端协同的发展模式被提出。Machine Learning152022.01 iResearch I 2022.01 iResearch I数字经济为机器学习创造发展机遇 数字经济时代来临，企业数据意识觉醒 数字技术的发展与应用，使得各类社会生产活动能以数字化方式生成为可记录、可存储、可交互、可分析的数据、信息与知识，数据由此成为当代社会的新生产资料和关键生产要素。与传统经济相比，数字经济的蓬勃发展为生产要素、生产力和生产关系赋予了新的内涵与活力，其在推动劳动工具数字化的同时，也构建了共享合作的生产关系，如 API 经济、平台经济等合作模式得到广泛认可与推广。在此背景下，加快推动数字产业化、推进产业数字化转型成为了企业顺应时代发展、打造数字化优势的主动选择，而机器学习作为数字产业化的商业应用与产业数字化的技术工具，迎来了难得的发展机遇。这一机遇体现在企业的数据意识觉醒并采购数字解决方案或应用中。诸多企业开始构建数仓、数据中台、数据平台等与数据治理有关的项目，并基于已治理好的数据，构建各类“数字+AI”应用。而无论是数据治理这一过程，还是“数字+AI”应用，都离不开机器学习这一最基础的 AI 算法工具。注释：数字产业化为数据要素的产业化、商业化和市场化；产业数字化指利用现代数字 信息技术、先进互联网和 AI 技术对传统产业进行全方位、全角度、全链条改造，使数字 技术与实体经济各行各业深度融合发展。来源：艾瑞咨询研究院根据中国信通院发布数据自主研究绘制。来源：艾瑞咨询研究院根据公开资料自主研究绘制。2015-2020年中国数字经济内部结构变化 产业数字化 步伐逐渐加快，主导地位凸显 电子商务、API 经济、平台经济 等数字化商业模式涌现 机器 学习 机器学习应用于企业数据业务 多源 异构 数据 企业 数据 外部 数据 结构化 数据 价值化 数据 业务 应用 新数 据 数据采集 与清洗 数据 治理 数据 应用 产生 入库 74.3%77.0%77.4%79.5%80.2%80.9%25.7%23.0%22.6%20.5%19.8%19.1%2015 2016 2017 2018 2019 2020产业数字化 数字产业化162022.01 iResearch I 2022.01 iResearch I融资情况 工业赛道收获高度资本青睐，总体轮次靠前 2018 年到 2021 年 11 月，中国机器学习累计总融资事件数为 221 起，总融资金额为 294.9亿元。相较于往期，2021 年中国机器学习的融资情况为统计期内融资事件最多、金额最大的时间节点。十四五规划发布以来，新基建作为国家的重点战略发展方向驱动着工业互联网的发展，机器学习则作为工业互联网的必要支撑技术获得了众多资本的青睐，其中代表性融资案例为国家级的工业互联网公共服务平台企业 航天云网，于 2021 年 3月获得 26.3亿元的大额融资，该金额占 2019 年 融资总额的 77.6%。此外，中国机器学习的融资轮次主要集中在 A+轮及以前，占累计融资事件数的 49.8%，这意味着机器学习市场并未定型，赛道中还活跃着诸多新参与者。在 13.9%的 C轮及以后融资事件中，不乏数据治理企业（含数据中台与数据平台）、新药研发企业，也有以机器学习为行业标签的头部玩家。来源：艾瑞咨询研究院根据各融资网站数据调整与处理绘制。来源：艾瑞咨询研究院根据各融资网站数据调整与处理绘制。2018-2021年 11月中国机器学习融资事件数与融 资金额情况 2018-2021年 11月中国机器学习融资轮次情况 7534298355.9 33.9 72.7 132.4 2018 2019 2020 2021.1-11融资事件（起）融资金额（亿元）49.8%23.6%13.9%12.7%A+轮及以前 PreB 轮到 B+轮 C轮及以后 战略、并购、股权及未公开172022.01 iResearch I细分赛道融资热度 金融、医疗、工业为热门赛道 TOP3在统计时间内共有 215 家企业获投，金融、医疗、工业为热门赛道 TOP 3。金融赛道率先领跑的原因有以下两点：1）丰富高质的数据积累是机器学习发挥作用的基础，而金融领域的银行、保险公司、证券公司等本身就具备良好的信息化基础与数据积累，因此，金融与机器学习各类模型的契合度高，为机器学习产品提供了生长发育的天然土壤。2）金融机构普遍存在营销获客难、风险防范难、用户管理难的业务痛点，对精准营销、智能风控、反欺诈、反洗钱等机器学习产品有强烈需求。2021 年医疗赛道机器学习的大热得益于新药研发与手术机器人。新药研发首先要收集各类药物分子数据、临床试验数据，而后将数据输入机器学习平台计算药物结构；手术机器人则需要机器学习增强人机手术协作、改善手术决策链的各个环节，提升数字手术的精度与准确度。在工业领域，除工业机器人外，工业互联网平台亦需要机器学习进行数据分析以完成质检、安全事故监测、业务流程优化等。注释：融资热度根据事件数计算；细分赛道热度与细分赛道业务表现不完全成正比。来源：艾瑞咨询研究院根据各融资网站数据调整与处理绘制。215 家获投 2018-2021年 11月中国机器学习融资赛道热度情况 47.0%32.6%24.2%15.3%12.1%10.7%10.2%7.4%4.7%4.7%3.7%3.3%2.8%0.9%0.9%0.9%0.5%0.5%金融 医疗 工业 互联网 零售 营销 政务 能源 公安 电信 电力 物流 交互服务 通用技术 农业 司法 环保 教育18 2022.1 iResearch I167 224 275 329 399 477 578 700 1025 1468 1809 2179 2647 3158 3766 4421 2019 2020 2021e 2022e 2023e 2024e 2025e 2026e核心产品市场规模（亿元）带动相关产业规模（亿元）机器学习产业规模 核心规模超 270 亿元，带动规模超 1800 亿元 机器学习是人工智能的核心内容，也是各类算法的根源，其本质是函数，可基于大数据来推算实际业务中事件的可能性，从而帮助甲方企业进行分析、判断与决策。在数字经济背景下，金融、制造、医药等具备数字化基础优势的行业对数据应用的认识正在逐步加深，政务、教育、农业等数字化水平低的行业也意识到数字化发展的必要性，可以说，各行各业都正在计划、启动或进行数字化工程，而该工程是机器学习发挥价值、拉动机器学习产品及服务的业务点所在。以此为出发点，艾瑞进行了机器学习市场规模测算。2021 年，我国机器学习产品服务的核心市场规模将达到 275 亿元，并以 20%以上的年均增速发展，2026 年有望达到 700 亿元，核心规模在 2021-2026 年的 CAGR 为 20.6%。而在 2021 年，我国机器学习产品服务的带动市场规模将达到 1809 亿元，2026 年将达到 4421 亿元。注释：核心产品市场规模为机器学习平台、大数据平台与数据中台中的机器学习模块部分以及应用解决方案中的机器学习模块等。带动规模为为达到机器学习应用目的，而连带采购 的、具有相关性的软硬件产品、服务。来源：艾瑞咨询研究院根据专家访谈与桌研自主建模研究绘制。2019-2026年中国机器学习核心产品及带动相关产业规模 CAGR=19.6%CAGR=20.6%19 2022.1 iResearch I机器学习核心行业规模 决策智能带动金融市场，L1L2 为自动驾驶市场主要产品 从行业横向对比，信息化建设完备、数据标准相对统一的金融领域无疑是最先起跑、市场空间较为可观的赛道。在数据燃料准备充分的前提下，银行、保险公司、证券公司以及基金展开了决策智能产品的引入之路，以克服营销获客难、反交易欺诈与非法集资等业务痛点，且因业务的多变性、复杂性，其会叠加采购不同业务的解决方案。2021 年，金融领域的机器学习规模可达 125 亿元，2026 年将超过 270 亿元。工业整体的数字化程度较差，汽车制造业、电子设备制造业、电力热力供应三大细分子行业率先树立起数字化建设的标杆，采购嵌入机器学习技术的大数据产品与机器学习解决方案，服务于生产线故障排查与质检、电路故障排查与检修等业务。自动驾驶领域，核心规模主要来自 L1L 2等级的产品，2021 年 L1L 2等级产品的比例高达 72.8%，未来占比将由 L3及以上等级的产品扩充。注释：核心产品市场规模为机器学习平台、大数据平台与数据中台中的机器学习模块部分以及应用解决方案中的机器学习模块等。来源：艾瑞咨询研究院根据专家访谈与桌研自主建模研究绘制。2019-2026年中国机器学习核心产品在主要行业应用规模 80 98 125 150 181 208 240 272 32 42 49 58 68 82 99 120 17 30 32 36 47 63 89 135 12 17 24 32 41 49 59 68 9 13 17 20 23 27 32 36 2019 2020 2021e 2022e 2023e 2024e 2025e 2026e金融领域市场规模（亿元）工业领域市场规模（亿元）医药领域市场规模（亿元）自动驾驶领域（亿元）互联网领域市场规模（亿元）202022.01 iResearch I 2022.01 iResearch I中短期发展焦点：决策智能 AutoML 提升流程自动化，机器学习平台为主要产品形式 随着线上线下数据量的增长与变化，企业在日常工作中要面临大量的分析决策问题，在短时间内做出准确判断，依赖传统的经验决策与人力计算显然难以满足企业需要，计算速度快、自动化程度高、分析精准的决策智能应用由此走入企业视线。决策智能指使用机器学习等技术，对企业的内外数据进行治理，挖掘和利用数据背后的信息，让机器具备自主分析、预测、选择的功能，从而解决生产经营过程中的决策管理问题，其本质是一个数据消费的过程，属于认知计算的领域之一，亦是机器学习的一项代表性应用，其流程步骤需经过数据收集、数据清洗、模型训练、基于验证或测试错误或其他评价指标选择最佳模型四个阶段。就算法类型而言，在整个应用开发流程中，AutoML 可让一些通用步骤自动化，如数据预处理、模 型选择、参数调整等，来简化模型生成的过程；而在具体的模型中，可结合业务，选择合适的机器学习算法，一般在决策智能中常见的代表算法有迁移学习、强化学习、分类与回归树等。就产品形式而言，因挖掘决策信息、搭建决策模型往往需要一个集成类的模型开发与训练工具，机器学习平台正是可实现数据闭环、模型自动构建及更新的工具型产品，故决策智能应用常以机器学习平台的形式出售。目前，决策智能已在金融、零售、制造、医疗、自动驾驶等领域获得应用，但产品的渗透广度与深度主要停留于金融领域，产品尚未实现“完全人格化”，业务开拓与技术进展仍有较大的开拓空间。来源：艾瑞咨询研究院结合公开资料自主研究绘制。来源：艾瑞咨询研究院结合公开资料自主研究绘制。决策智能主要应用场景 l 精准营销 l 反欺诈、反洗钱 l 股市预测 金融01l 店铺选址 l 商品定价 l 销量预测 零售02l 科研 l 新药研发 l 基因检测 医疗03l 环境观测 l 目标定位 l 物体检测 自动驾驶04决策智能发展情况 前决策智能 有限决策智能 完全决策智能 超级决策智能 现 阶 段 将知识迁移到计 算机系统，输入 数据，与系统中 的规则匹配，实 现辅助决策 决策初步自动 化，决策引擎 可进行数据预 测性分析、模 拟分析等 通过机器学习自 动分析潜在规则，实现自我更新迭 代，实现“半人 格化”通过机器学习全 自动完成规则挖 掘、数据治理、模型更新，实现“全人格化”212022.01 iResearch I趋势：厂商的数据与应用业务补全 数据治理与 ML 应用开发将逐渐走向一体化 ML 应用厂商补全数据治理业务、数据治理厂商补全 ML 应用开发业务成为了一大发展趋势。机器学习应用厂商在进行决策智能应用开发时，往往面临模型与数据无法拉齐的问题，所以需要溯源到前置环节，从一开始就把数据治理的工作做好，构建模型特有的数据资产，这也是典型的业务导向型数据治理方法论的体现。数据中台、数据平台、数据解决方案等数据治理厂商完成数据治理后，本就对客户的业务数据有了深入了解，能够较为顺利地进入到下一轮的模型开发业务中，且模型应用开发可增加新的业务收入，故不少数据治理厂商投身于 ML 应用部署的业务中。这意味着数据治理与机器学习平台产品的边界将会被突破并连接，数据治理与 ML 应用开发将逐渐走向一体化。来源：艾瑞咨询研究院自主研究绘制。数据治理与应用厂商业务补全示意图 数据分类与存储 数据汇聚与接入 数据标准化 数据质量 数据资产 主数据与元数据 数据分析与可视化 ML应用 数 据 生 命 周 期 管 理 数 据 安 全 与 隐 私 ML模型训练 ML模型规则搭建 数据治理厂商转向 ML应用开发 机器学习应用厂商转向数据治理业务开发 数据治理与 ML应用开发一体化 整 合 企业数据汇聚 数据治理 模型开发与应用 缺失，需开发 已有，具备一定的数据积累与业务优势 ML模型 模型部署到 业务线 模型与业务 割裂 数据治理不符 合模型要求 数据治理 缺失，需开发 已有，对模型所需的数据内容、标准更清楚222022.01 iResearch I 2022.01 iResearch I机器学习新范式：MLOps构建可通用、复用的模型生产流水线 MLOps 即机器学习开发运维一体化，包含项目设计、模型开发、模型运维三大步骤，融合了业务、数据、算法、运维的业务人员，以更好更快地试验、开发、部署、管理 ML 模型，保证 ML 模型的交付与运行质量为目标，是机器学习服务模式与技术的新兴领域，相当于机器学习领域的 DevOps，其核心是构建一条可通用、复用的模型生产流水线。总体上讲，机 器学习生命周期全流程复杂且耗时长，只有在部署的模型与现有业务充分整合后，各业务线才能从模型中获得效用与价值，而实际情况是业务开发与模型部署常常脱节。细分而言，放大生命周期全流程的各个环节，会发现更多的问题：工具链碎片化、各业务人员的专业知识存在短板且团队之间缺乏协作、ML 就绪数据匮乏、集成开发环境缺失、模型可解释性差等。为改善甚至消除这些障碍，MLOps 这一概念应运而生。实施 MLOps 可更好地衔接模型开发运维的全流程，通过自动化、可重复的工作流与可复用的数据与模型资产来提升开发运行效率，从而加速机器学习生命周期；同时，通过监督管理模型的指标与数据，找到并分析模型出故障的原因，提升模型的可解释性，克服“黑箱”困扰。来源：艾瑞咨询研究院根据公开资料自主研究绘制。来源：艾瑞咨询研究院根据公开资料自主研究绘制。数据库 数据输入 预处理 清洗 数据分析 特征抽取 特征工程 模型训练 模型运作 测试结果 过程输入 模型预测 模型保存 模型输出 模型监控 数据和特征管理 模型开发、运作与监控 机器学习生命周期全流程 项目设计 需求收集 场景设计 数据检验 模型开发 数据工程 模型工程 评估验证 模型运维 模型部署 CI/CD/CT 模型监控 MLOps缩短模型开发部署的迭代周期 促进模型生产与管理流程自动化、标准化 使业务、数据、算法、运维各个角色高效协作 提升模型交付效率与质量，深化模型管理 MLOps 的步骤原理及价值*每一环节都有涉及数据流、小工具、业务人员操作等232022.01 iResearch I 2022.01 iResearch I应用落地思考：大模型争论 大小模型云-边-端协同发展 大模型，即超大规模预训练模型，其对运算速度与算法的要求极高，因而需要充足的芯片资源支持与复杂的机器学习算法支撑。自 2020 年 6月 OpenAI 发布 GPT-3以来，各大学术机构与科技企业争先参与到大模型竞赛中，大模型于 2021 年迎来了大爆发。尽管大模型的研发取得了较大进展，其发展却面临诸多卡点：1）数据方面，国内可用的中文数据集有限，这 意味着开发者使用的数据集可能会重复，进而导致各家的大模型能力相近。2）算法方面，参数越多、模型越复杂，模型 越难以解释，复杂的大模型成为了“黑箱”，让业务使用者甚至是研发者都无法获知模型的结果与特征之间的关系。3）投入产出方面，成本与回报难匹配，训练所需的芯片成本过高、训练时间过长、碳排放量过高，而训练出的模型可能局限于某些行业业务、普适性差，让大模型沦为一次性的模型，浪费大量资源。4）应用使用方面，客户更注重模型的实用性，很多中小企业研发的小模型即可满足客户的业务需求，且成本更低，性价比更高。然而，宏观经济运行与监管、航空航天量子计算、医药研发、细胞分类等社会与自然科学领域的重大分析任务，以及跨行业的通用模型研究又恰恰需要大模型这一先进工具。对此，大小模型云-边-端协同发展的模式被提出：云端提供充足的算力与数据存储空间，容纳大模型的训练与演变，云端大模型为边、端小模型输送